Banyak pemimpin bisnis saat ini berlomba-lomba mengadopsi kecerdasan buatan (AI) ke dalam operasionalnya. Namun, ada satu kenyataan pahit yang sering kali terlupakan: kecanggihan AI sama sekali tidak berguna tanpa pasokan data yang melimpah dan akurat.
Sayangnya, banyak perusahaan justru terjebak dengan tumpukan data yang mustahil dapat diproses oleh aplikasi AI. Ketidakcocokan data untuk adopsi AI itu merupakan fenomena umum yang terjadi. Bahkan, di kalangan organisasi yang gencar menggelontorkan investasi di sektor tersebut.
”Adopsi generative AI dan agentic AI sedang berakselerasi cepat. Namun, hanya sebagian kecil organisasi yang memiliki kematangan data mampu meningkatkan skala AI secara efektif,” kata Daren Campbell (Tax Technology and Transformation Leader di firma penasihat bisnis EY Americas).
Campbell mengungkapkan alasan utama mengapa banyak perusahaan melaporkan adanya aktivitas AI, tetapi tidak merasakan dampak bisnis yang berkelanjutan.
“Sebab, ambisi mereka bergerak jauh lebih cepat daripada fondasi data yang mendasarinya,” katanya seperti dikutip CIO.
Berikut adalah tujuh tanda utama yang menunjukkan bahwa tata kelola data organisasi Anda membutuhkan perombakan total (makeover) sebelum siap mengadopsi AI.
1. Strategi Data Dirancang untuk Kepatuhan, Bukan Pengambilan Keputusan
Data yang tidak kompatibel dengan AI biasanya merupakan hasil dari akumulasi sistem yang terisolasi (siloed systems), standar yang tidak konsisten, dan tata kelola yang lemah selama bertahun-tahun.
”Sebagian besar data perusahaan saat ini dirancang sekadar untuk kepatuhan (compliance) dan pelaporan statis, bukan untuk pembelajaran, otomatisasi, atau pengambilan keputusan secara real-time,” jelas Daren Campbell.
Masalah itu makin rumit akibat tumpukan data tidak terstruktur yang tidak dikelola, hilangnya metadata, ketidakjelasan kepemilikan data, dan keterlacakan (traceability) yang terbatas. Faktor-faktor inilah yang membuat sistem AI kesulitan untuk menginterpretasikan data secara andal.
2. Lemahnya Manajemen Manajemen Data Internal
Salah satu indikator krusial dari masalah manajemen data adalah ketika tim internal terseok-seok hanya untuk memanfaatkan data yang ada di dalam lingkungan kerja saat ini.
”Memastikan data terkelola dengan baik adalah langkah awal yang kritis, sebuah prasyarat utama sebelum Anda dapat mengungkit data tersebut untuk teknologi AI,” tegas David Harmony (Senior Executive Distinguished Engineer di firma layanan keuangan Capital One).
Harmony menekankan bahwa para pemimpin bisnis wajib mengetahui secara pasti di mana data mereka disimpan dan apa saja isi dari data tersebut. Tanpa strategi pengelolaan yang matang, perusahaan akan kesulitan memaksimalkan potensi data di tengah akselerasi AI yang masif.
Untuk mengatasi kendala ini, Capital One sendiri berupaya memodernisasi ekosistem datanya bermigrasi ke komputasi awan (cloud) dan membangun platform korporasi yang mendukung publikasi, konsumsi, tata kelola, hingga manajemen infrastruktur data. Tujuannya adalah menciptakan fondasi yang kokoh.
“AI akan bekerja paling efektif jika dibangun di atas fondasi data yang dikelola dengan baik,” tambah Harmony.
3. Tata Kelola Data (Data Governance) Hanya Sebatas Slogan
Jika jajaran petinggi IT dan pemimpin bisnis tidak mampu menjelaskan dengan gamblang di mana lokasi data mereka, siapa pemiliknya, dan apakah data tersebut dapat dipercaya, maka perusahaan tersebut dipastikan belum siap mengadopsi AI.
”Jika setiap analisis masih membutuhkan rekonsiliasi manual, kehadiran AI justru hanya akan memperbesar inkonsistensi yang ada,” peringat Vasileios Maroulas, Associate Vice Chancellor dan AI Director di University of Tennessee, Knoxville.
Maroulas menjelaskan bahwa pertumbuhan sistem yang terjadi secara organik, sekat-sekat antardepartemen, definisi yang tidak konsisten, dan absennya tata kelola menjadi pemicu utama data tidak dapat diprediksi. Sebagian besar perusahaan membangun infrastruktur hanya untuk menjalankan operasional harian, bukan untuk memfasilitasi prediksi atau otomatisasi.
“AI membuka kedok celah-celah struktural tersebut,” cetusnya.
Untuk meningkatkan prediktabilitas data, Maroulas menyarankan fokus pada tata kelola dan interoperabilitas. “Tetapkan kepemilikan, standarisasikan terminologi, dan modernisasikan jalur data (data pipelines) secara terencana,” ujarnya.
4. Strategi Business Intelligence (BI) Telah Ditinggalkan Pengguna
Rendahnya tingkat adopsi Business Intelligence (BI) di internal perusahaan menjadi indikator kuat bahwa data organisasi belum siap untuk AI. Olga Kupriyanova (AI and Data Engineering Technology Director di firma riset dan penasihat ISG) menegaskan keterkaitan erat keduanya.
“BI adalah medan pembuktian bagi data perusahaan,” katanya.
Ketika performa sistem BI mengecewakan, para pengguna bisnis tidak akan tinggal diam karena mereka akan mencari jalan pintas.
”Mereka akan mengekspor data, membangun model bayangan (shadow models), membuat definisi lokal sendiri, dan memasukkan logika bisnis secara manual ke dalam lembar kerja (spreadsheet) atau alat analisis kustom,” ungkap Kupriyanova.
Seiring berjalannya waktu, lapisan semantik tidak resmi ini akan berlipat ganda dan tidak ada satu pun yang mengalir kembali ke gudang data (data warehouse) pusat perusahaan. Dari luar, organisasi tampak tidak memiliki masalah data besar karena laporan tetap tersaji dan keputusan tetap terdokumentasi.
“Namun, pada kenyataannya, pengguna diam-diam telah berhenti mengandalkan platform data inti dan berhenti meminta bantuan dari tim IT,” papar Kupriyanova.
5. Data Tidak Selaras dengan Target Bisnis yang Ingin Dicapai AI
Ketika sistem AI tiba-tiba mulai mengeluarkan jawaban yang tidak konsisten, usang, atau melenceng dari ekspektasi pengguna, itu adalah sinyal nyata adanya ketidakcocokan data.
”Kegagalan semacam ini biasanya mengarah pada sumber pengetahuan (knowledge sources) mendasar yang tidak dirawat atau tidak dikelola dengan penuh kesadaran,” tutur Guy Bourgault, Head of Agentic Solutions di firma penasihat teknologi Concentrix.
Bourgault menambahkan, ketidakcocokan ini sering terjadi karena informasi pada awalnya ditulis untuk diinterpretasikan oleh manusia, bukan untuk diproses oleh mesin. Banyak pusat data (knowledge bases) masuk dalam kategori ini karena mengandalkan intuisi manusia untuk mengisi konteks yang hilang.
”AI berisiko mengakses konten yang seharusnya tidak boleh dilihatnya. Hal ini memicu respons yang tidak akurat atau bahkan berisiko tinggi,” pungkas Bourgault.
Kombinasi konten usang, struktur yang semrawut, dan tata kelola yang longgar lambat laun menciptakan lingkungan data yang rapuh bagi AI.
6. Perusahaan Terbebani oleh “Utang Data” (Data Debt)
Kualitas data adalah sesuatu yang lebih sering dikeluhkan orang daripada diperbaiki. Hal ini diungkapkan oleh Arthur O’Connor, Academic Director of Data Science di City University of New York’s School of Professional Studies.
”Memperbaiki kualitas data membutuhkan kesiapan untuk memberesi ‘dosa-dosa masa lalu’, termasuk format data yang tidak konsisten, hilangnya nilai data (missing values), aturan bisnis yang saling bertabrakan, serta antarmuka dan protokol yang berbeda-beda,” kata O’Connor.
“Ini adalah tentang mengoreksi warisan buruk dari kebiasaan mengambil jalan pintas,” ucapnya.
Namun, ia melihat jarang ada organisasi yang memiliki waktu, energi, dan kemauan untuk melakukannya. Masalah utang data ini bukan sekadar tantangan teknis, melainkan juga tantangan organisasi.
O’Connor menjabarkan bahwa alasan utama kumpulan data internal tidak dapat ditemukan atau dikelola dengan baik di seluruh perusahaan adalah karena staf IT maupun tim bisnis tidak memiliki sumber daya atau insentif untuk merealisasikan nilai penuh dari data tersebut.
”Meskipun pengguna data menginginkan data yang sepenuhnya akurat, bersih, dan terkelola dengan baik, para pemilik data individu biasanya tidak memiliki anggaran, insentif finansial, atau otoritas organisasi untuk menjamin tingkat kualitas dan transparansi yang tinggi,” jelas O’Connor.
Masalah mendasarnya, menurut O’Connor, bermuara pada satu hal psikologis: “AI itu seksi, menarik, dan menantang. Sedangkan, tata kelola data cenderung menjemukan, membosankan, dan melelahkan,” ujarnya.
7. Penarikan Wawasan Dasar (Basic Insights) Saja Masih Menjadi Masalah
Tanda peringatan terakhir yang paling mudah dikenali adalah seberapa besar usaha yang harus dikeluarkan tim Anda hanya untuk mendapatkan wawasan data yang paling mendasar.
”Jika pelaporan standar dan analitik saja masih menjadi perjuangan berat, maka AI justru akan memperbesar tantangan tersebut, bukan menyelesaikannya,” peringat Jen Clark (Director of AI Advisory Services di firma konsultan bisnis dan pajak Eisner Advisory Group).
Clark juga menambahkan bahwa jika data terputus-putus atau terisolasi tanpa jalur integrasi yang jelas, itu adalah indikator kuat bahwa kerja fondasi mutlak diperlukan sebelum AI dapat memberikan nilai nyata. Pada akhirnya, perusahaan harus realistis menghadapi fakta di lapangan.
“Data merepresentasikan dunia nyata, dan dunia nyata itu berantakan,” amati Clark.
Data jarang, atau bahkan tidak pernah, berada dalam kondisi yang sempurna untuk skenario AI yang ideal, sehingga kompromi selalu ada.
“Pertanyaannya bukan lagi apakah ketidakcocokan data itu ada, melainkan bagaimana Anda menetapkan batasan ruang lingkup di sekitarnya agar tetap dapat menghasilkan dampak bisnis yang berarti,” ucapnya.
